使用F1分數進行二元分類的度量是很常見的。這就是所謂的調和均值。然而，更通用的F

beta評分標準可能更好地評估模型效能。那麼F2 F3和F

beta呢？在這篇文章中，我們將回顧F指標。

介紹

根據許多資料科學家的說法，最可靠的模型效能度量是準確率。但是確定的模型指標不只有一個，還有很多其他指標。 例如，準確率可能很高，但是假陰性也很高。 另一個關鍵度量是當今機器學習中常見的F指標，用於評估模型效能。 它按比例結合了精度和召回率。 在這篇文章中，我們探討了建議兩者不平衡的不同方法。

混淆矩陣，精度和召回

混淆矩陣總結了ML中有監督學習演算法的效能。它比一般的精度度量提供了更詳細的分析，因此更有益。在混淆矩陣中，每一行表示預測類中的例項，每一列表示實際類中的例項。簡化後的混淆矩陣包含兩行兩列，如前所述，其中：

我們定義兩個重要的度量：精度：TP樣本的數量除以所有P樣本（真和假），召回：TP樣本的數量除以（TP+FN）。

由於這兩項措施都具有高度的重要性，因此需要一項措施將兩者結合起來。因此，提出了精度和召回的調和均值，也稱為F1分數。

F1分數

計算方式如下：

F1分數的主要優點（同時也是缺點）是召回和精度同樣重要。在許多應用程式中，情況並非如此，應該使用一些權重來打破這種平衡假設。這種平衡假設可能適用於資料分佈不均勻的情況，如大量正負資料。

F2和F3分數

使用加權平均值，我們可以很容易地得到F2分數：

同樣，F3得分為：

F_beta分數

推廣加權平均法得到的F beta測度，由：

這種方法允許我們定義召回比精度重要多少。在sklearn中使用F beta度量非常簡單，請檢視以下例子：

>>> from sklearn。metrics import fbeta_score

>>> y_true = ［0， 1， 2， 0， 1， 2］

>>> y_pred = ［0， 2， 1， 0， 0， 1］

>>> fbeta_score（y_true， y_pred， average=‘macro’， beta=0。5）

0。23。。。

>>> fbeta_score（y_true， y_pred， average=‘micro’， beta=0。5）

0。33。。。

>>> fbeta_score（y_true， y_pred， average=‘weighted’， beta=0。5）

0。23。。。

>>> fbeta_score（y_true， y_pred， average=None， beta=0。5）

array（［0。71。。。， 0。        ， 0。        ］）

總結

在這篇文章中，我回顧了F指標。我希望所提供的資料能夠幫助那些處理分類任務的人，並幫助他們在使用準確性的同時使用F分數。

以下是·sklearn的文件，有興趣的可以詳細進行閱讀：https：//scikit-learn。org/stable/modules/generated/sklearn。metrics。fbeta

score。html？highlight=f%20beta#sklearn。metrics。fbeta

score

作者：Barak Or

deephub翻譯組